Оценка параметров модели.
После
того как выбрана модель и определен ее вид, следующим шагом является оценка
параметров модели. Для линейной парной регрессии вида
необходимо
оценить свободный член уравнения регрессии (константу) а и
коэффициент регрессии b. Для определения параметров модели
можно использовать следующие критерии:
1)
сумму квадратов отклонений
фактических значений результата у от рассчитанных с помощью уравнения регрессии :
Эта сумма, используется в методе наименьших квадратов, который является
одним из основных методов эконометрики;
2)
сумму модулей отклонений наблюдаемых
значений зависимой переменной у от ее расчетных
величин :
3) Сумма, включающая отклонения с
определенной мерой,
Где
g - мера, с которой отклонение для i-го наблюдения входит в функционал.
Построение
линейной регрессии сводится к оценке ее параметров – и . Классический подход к оцениванию параметров линейной
регрессии основан на методе наименьших квадратов (МНК). МНК позволяет получить
такие оценки параметров и , при которых сумма квадратов отклонений фактических значений
результативного признака от
теоретических минимальна:
. (1.2)
Т.е. из всего множества
линий линия регрессии на графике выбирается так, чтобы сумма квадратов
расстояний по вертикали между точками и этой линией была бы минимальной (рис.
1.2):
Рис. 1.2. Линия регрессии с минимальной
дисперсией остатков.
Как
известно из курса математического анализа, чтобы найти минимум функции (1.2),
надо вычислить частные производные по каждому из параметров и и
приравнять их к нулю. Обозначим через , тогда:
При
использовании МНК оптимальными будут значения параметров регрессии, минимизирующие функционал S.
Для
оценки параметров модели линейной регрессии наиболее часто используется МНК,
согласно которому в качестве оценок параметров
принимают величины а и Ь, минимизирующие сумму
квадратов отклонений наблюдаемых значений результативного признака у от
расчетных (теоретических)
Значения
рядов наблюдении х и у нам
известны. В функционале S они являются константами, а оценки параметров а и b — переменными. Чтобы найти минимум функции двух
переменных, необходимо вычислить ее частные производные по каждому из
параметров и приравнять их к нулю (это необходимые условия для экстремума):
Из этих равенств получается система нормальных уравнений для
оценки параметров а и Ь:
Решая данную систему, находим оценки
параметров регрессии:
Так как ковариация признаков,
а - дисперсия признака,
то b можно представить несколько в ином виде:
Параметр b называют коэффициентом регрессии. Его
величина показывает, насколько в среднем изменяется значение результативного
признака при изменении факторного на единицу. Значения параметра b не имеют ограничений. Если коэффициент регрессии больше
нуля, то при увеличении фактора результат повышается и
линия регрессии является возрастающей. Если же коэффициент регрессии меньше
нуля, то при увеличении фактора результат уменьшается
и линия регрессии имеет отрицательный наклон.
Наклон линии регрессии в зависимости от значения параметра
Параметр а оценивается по следующей формуле:
Правильность расчета параметров уравнения регрессии может
быть проверена с помощью сравнения сумм
На практике из-за
округления при вычислениях возможно их некоторое расхождение.